Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
MedShift: Transporte condicional implícito para la adaptación del dominio del rayo X
Created by
Haebom
Autor
Francisco Caetano, Christiaan Viviers, Peter HH de With, Fons van der Sommen
Describir
Los datos médicos sintéticos ofrecen una solución escalable para el entrenamiento de modelos robustos, pero las brechas significativas en el dominio limitan la generalización a entornos clínicos del mundo real. Este artículo aborda el problema de la traducción entre dominios entre imágenes de líneas de cráneo sintéticas y reales X centrándose en la resolución de discrepancias en el comportamiento de atenuación, las características del ruido y la representación de tejidos blandos. Proponemos MedShift, un modelo generativo condicional de clase unificado basado en Flow Matching y Schrödinger Bridges, que permite la traducción de imágenes no pareadas de alta fidelidad en múltiples dominios. A diferencia de los enfoques anteriores que requieren entrenamiento específico del dominio o se basan en datos pareados, MedShift aprende un espacio latente compartido e independiente del dominio y permite una traducción fluida entre todos los pares de dominios observados durante el entrenamiento. También evaluamos modelos de traducción de dominio mediante la introducción de X-DigiSkull, un nuevo conjunto de datos que consiste en líneas de cráneo sintéticas y reales alineadas X de diversas dosis de radiación. Los resultados experimentales demuestran que MedShift ofrece un rendimiento robusto a pesar de un tamaño de modelo menor en comparación con los enfoques basados en la difusión, y que puede ajustarse para priorizar la fidelidad perceptual o la consistencia estructural durante la inferencia, lo que lo convierte en una solución escalable y generalizable para la adaptación de dominios en imágenes médicas. El código y el conjunto de datos están disponibles en https://caetas.github.io/medshift.html .
Takeaways, Limitations
•
Takeaways:
◦
La transformación de imágenes no pareadas y de alta fidelidad entre imágenes médicas sintéticas y reales es posible a través de nuestro modelo MedShift propuesto, un modelo generativo condicional de clase unificado basado en Flow Matching y puentes de Schrödinger.
◦
Aprendizaje de espacio latente independiente del dominio compartido sin entrenamiento específico del dominio ni dependencia de datos emparejados.
◦
La flexibilidad se logra al permitir la priorización de la fidelidad perceptiva o la consistencia estructural durante la inferencia.
◦
Proporciona un rendimiento sólido con tamaños de modelo más pequeños que los enfoques basados en la difusión.
◦
El nuevo conjunto de datos X-DigiSkull permite la evaluación comparativa de los modelos de transformación de dominio.
◦
Proporcionar soluciones escalables y generalizables adaptadas al dominio
•
Limitations:
◦
Limitations no se menciona explícitamente en el artículo. Se requiere más investigación para verificar su generalización en entornos clínicos reales y su aplicabilidad a diversas modalidades de imágenes médicas.
